首先是安装

Tensor似乎对Windows系统很不友好，幸好我的系统是macOS～于是主要讲讲在macOS下安装TensorFlow的一些事。

先说结果，在两个多小时的坑爹旅程中，终于将Python2.7和Python3.6都安装上了TensorFlow，并且能在Sublime Text3上直接运行。

讲一下我自己的步骤吧：

安装Python

这里我电脑自带的是Python2.7, 于是又下了一个Python3.6, 为了防止可能出现的版本问题。

至于如何安装Python，官网上选定版本，然后一路傻瓜操作就好了呀～这里不多说了。

安装pip

这里有一个非常坑爹的大坑，先卖个关子，安装pip直接在终端键入下面命令即可,其中pip默认是Python2的，要给Python3安装的话，可以把pip换成pip3：

$ sudo easy_install pip

当然，还没有结束，因为pip安装是有时间限制的，而我们的TensorFlow是从Google的服务器上弄来的…所以安装会很慢，这样以来就容易超出pip安装的时间限制，于是就在安装中途报错（报错日志显示为RuntimeError），所以我们需要改一下pip的时间限制

py2下就是这样

$ pip --default-timeout=1000000 install -U pip

py3下就是这样

$ pip3 --default-timeout=1000000 install -U pip

安装TensorFlow

好的，上面都是小菜，下面正餐到了。

首先先给出官方下载的文档，连我的英语水平都可以看懂（捂脸逃

然后给出一份中文翻译过的文档，是极客学院的人翻译的，虽然我不喜欢国内的it培训网站，但有些贡献还是支持一个的。

pip已经在上面安装过了, 各位可以直接从安装TensorFlow开始。

其实也很简单，就两行命令：

py2:

$ sudo easy_install --upgrade six
$ sudo pip install --upgrade https://storage.googleapis.com/tensorflow/mac/tensorflow-0.8.0-py2-none-any.whl

py3：

$ sudo easy_install --upgrade six
$ sudo pip3 install --upgrade https://storage.googleapis.com/tensorflow/mac/tensorflow-0.8.0-py3-none-any.whl

安装完需要检验一下是不是安装好了，打开终端，输入：

$ python

或者：

$ python3

然后输入官方提供的测试代码，py2可能需要改一下print..：

>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))
Hello, TensorFlow!
>>> a = tf.constant(10)
>>> b = tf.constant(32)
>>> print(sess.run(a + b))
42
>>>

如果没有任何报错，就差不多成功了。

要注意第二个是从Google的服务器里下载的，如果被墙了，就去手动搜一个名字一样的whl的压缩格式的包，或者给浏览器翻墙后下载到本地然后导入本地whl包的路径。

这个里面还有CPU和GPU两种不同的TensorFlow，具体详情可以看Git里提供的官方英文文档。

至于Windows….还是弄个Linux的虚拟机或者什么吧..

然后是初探

去百度，谷歌，知乎等等地方可以搜到很多关于TensorFlow的介绍，用途云云。总之就是可以套套套机器学习，神经网络模型的一套工具。

比如这一个知乎问题里的回答。

从理念开始说起：

你现在看到了一个人，怎么判断出那个人是一个人呢，你的眼睛耳朵鼻子等等器官会输入一大堆信息给你的大脑，我们叫做Input，这一堆Input经过你大脑你也不知道怎么回事的处理，就处理出来一个输出（Output），这个输出告诉你，这个东西，是一个人。

而每一个Input，到最后的Output，中间都要进行一大堆一大堆的运算，每一个运算会形成一个结点，相应结点形成复杂的网络，我们叫做神经网络。

就仿佛这样一个神经元，传入了几个参数，然后输出结果。

同样多个神经元可以如上图所示，形成分层的神经网络。

每一次信息输入的时候，相应的结点会被激活，然后运算，运算之后输出结果。

关于更加详细的叙述，就留给下一节吧，这里放一段py3代码，也就是下一节研究的重点，相当于卖一个关子吧～

import tensorflow as tf 
import numpy as np 

# creat data
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data * 0.1 + 0.3

### creat tensorflow struture start
Weight = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
biases = tf.Variable(tf.zeros([1]))

y = Weight * x_data + biases
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

init = tf.initialize_all_variables()

### creat tensorflow structure end

sess = tf.Session()
sess.run(init)  # Very important

for step in range(201):
    sess.run(train)
print(step, sess.run(Weight), sess.run(biases))